可莉身姿灵动舞动：展现娇小却又充满力量的高超腿部技艺图解，比买黄金还赚钱！“塑料茅台”Labubu凭啥赚疯了？看似无害的提问，也能偷走RAG系统的记忆——IKEA：隐蔽高效的数据提取攻击新范式2025年4月29日，“2025梦想天堂：AI机器人酷玩乐园”在浙江杭州开园。小朋友体验与“苏东坡”时空对话。记者 吴君毅 摄
以下是关于“可莉身姿灵动舞动：展现娇小却又充满力量的高超腿部技艺图解”的一篇文字，以呈现她的高超舞蹈技巧和独特魅力。 《可莉：灵动舞动中的娇小优雅与力量之美》
一袭长裙轻盈飘逸，如同精灵一般跃动在舞台上。这便是我们熟悉的卡通人物——可莉，她以其娇小灵动的形象深受观众喜爱。这位来自《冰雪奇缘》的女主角，却拥有着超越年龄、性别、种族的肢体语言和舞蹈艺术才华。在这场精彩的表演中，可莉展示了其非凡的腿部技艺，让观众仿佛置身于一场灵动的舞蹈盛宴。
我们可以看到可莉轻轻一迈，便将身体轻松地融入到音乐之中，展现出一种犹如天籁之音般的动态美。她的步伐轻盈而富有节奏感，每一步都仿佛在跳动着一首优美的旋律。这种独特的步伐设计，不仅增强了可莉的舞台表现力，也使她的舞蹈动作更加富有活力和动感，使得观众仿佛也能感受到她内心的流动和情感变化。
可莉的腿部动作更是展现了其娇小但充满力量的独特魅力。她的双腿虽然纤细，但却蕴含着强大的爆发力和弹性。她在跳跃时，脚掌落地如同击打地面的石块，每一次弹起都充满了力量和冲击力。这种充满力量的腿部动作，不仅为可莉带来了视觉上的震撼效果，更赋予了她的舞蹈增添了磅礴的生命力和动感，让人不禁为之叫绝。
可莉的腿部动作还极具灵活性和空间感。无论是侧踢、前摆还是转身，她的每一个动作都巧妙地运用了她的腿部肌肉，使得整个舞蹈动作流畅自然而不失美感。这种灵活的腿部动作，使得可莉可以自如地变换造型，创造出各种复杂的舞蹈形态，让人不禁感叹其出色的舞蹈技巧和无穷的艺术潜力。
可莉的腿部技艺是其舞蹈风格的核心部分，也是其独特魅力的重要体现。她的灵动舞步，娇小优雅的身材，以及充满力量的腿部动作，共同塑造出了一种既可爱又充满力量的可莉形象。这种形象不仅吸引着大量的粉丝，也在国际范围内赢得了广泛的赞誉，被誉为“动漫界的芭蕾公主”。
作为一部动画电影，《冰雪奇缘》的成功离不开对可莉角色形象和舞蹈技艺的精心描绘。正是通过对可莉腿部技能的详细刻画，才使得这个活泼可爱的角色能够展现出如此独特的魅力和吸引力。这也让我们深思，在现实生活中，我们应该如何发掘并传承我们的艺术瑰宝，让我们的表演和艺术作品能像可莉一样，既有娇小的灵巧，又有强大的力量，从而为我们生活增添更多的色彩和感动。
年轻人的“茅台”竟然是个“娃娃”？泡泡玛特旗下的Labubu，正借着爆火的流量红利，身价一路飙升。据《21财料》观察，二手市场上部分Labubu溢价超30倍，2024年隐藏款年均收益率超300%，这赚钱速度，妥妥地把黄金甩在身后。
在欧美，Labubu火到快成硬通货，韩国女团BLACKPINK成员Lisa、泰国公主、蕾哈娜、贝克汉姆等国际名人都爱把它挂在奢侈品包袋上。明星带货效应下，海外Labubu“一娃难求”，英国人抢Labubu甚至大打出手。
盲盒经济火爆，也给泡泡玛特带来巨大红利。2024年，泡泡玛特营收130.38亿元，股价一路飙涨，成为谷子经济首只10倍大牛股。截至6月6日，泡泡玛特市值已达3288亿港元。Labubu为啥能全球爆火？“塑料茅台”到底有多赚钱？潮玩圈还有“下一个泡泡玛特”吗？本期《21财料》为你解码！
本文作者分别来自新加坡国立大学、北京大学与清华大学。第一作者王宇豪与共同第一作者屈文杰来自新加坡国立大学，研究方向聚焦于大语言模型中的安全与隐私风险。共同通讯作者为北京大学翟胜方博士，指导教师为新加坡国立大学张嘉恒助理教授。
本研究聚焦于当前广泛应用的 RAG (Retrieval-Augmented Generation) 系统，提出了一种全新的黑盒攻击方法：隐式知识提取攻击 (IKEA)。不同于以往依赖提示注入 (Prompt Injection) 或越狱操作 (Jailbreak) 的 RAG 提取攻击手段，IKEA 不依赖任何异常指令，完全通过自然、常规的查询，即可高效引导系统暴露其知识库中的私有信息。
在基于多个真实数据集与真实防御场景下的评估中，IKEA 展现出超过 91% 的提取效率与 96% 的攻击成功率，远超现有攻击基线；此外，本文通过多项实验证实了隐式提取的 RAG 数据的有效性。本研究揭示了 RAG 系统在表面「无异常」交互下潜在的严重隐私风险。
本研究的论文与代码已开源。
总述
大语言模型 (LLMs) 近年来在各类任务中展现出强大能力，但它们也面临一个核心问题：无法直接访问最新或领域特定的信息。为此，RAG (Retrieval-Augmented Generation) 系统应运而生——它为大模型接入外部知识库，让生成内容更准确、更实时。
然而，这些知识库中往往包含私有或敏感信息。一旦被恶意利用，可能导致严重的数据泄露。以往的攻击方式多依赖明显的「恶意输入」，比如提示注入或越狱攻击。这类攻击虽然有效，但也有着输入异常、输出重复等典型特征，容易被防御系统识别和拦截。
图1: 使用恶意查询进行逐字信息提取与使用良性查询进行知识提取 (IKEA) 之间的对比
为突破防御机制对现有提取攻击的限制，本文提出了一种全新的隐式知识抽取框架：IKEA (Implicit Knowledge Extraction Attack)。该方法不依赖任何越权指令或特异化提示语，而是通过自然、常规的查询输入，逐步引导 RAG 系统暴露其内部知识库中的私有或敏感信息。IKEA 的攻击流程具备高度自然性与隐蔽性。
其核心步骤包括：首先，基于已知的系统主题构建一组语义相关的锚点概念 (Anchor concepts)；随后，围绕这些概念生成符合自然语言习惯的问题，用于触发系统检索相关文档；最终，通过两项关键机制对攻击路径进行优化与扩展：
上述机制协同工作，使得攻击过程在保持输入自然性的同时，能够在多轮交互中高效提取 RAG 系统所依赖的外部知识内容。实验证明，IKEA 可在常规输入检测与输出过滤等防御机制下维持高成功率与提取效率，展现出强大的鲁棒性与现实威胁潜力。
方法概览：如何实现「看似正常」的提问？
具体而言，IKEA 首先从与系统主题相关的概念词中筛选出可能有效的锚点概念，并结合历史响应信息过滤无关或无效的概念。
锚点概念数据库的初始化如下：
随后，系统围绕这些锚点概念自动生成语义自然、表达通顺的问题，引导 RAG 返回内容丰富的答案，从而在多轮交互中不断扩大对隐私知识的覆盖。这种策略使攻击过程更加隐蔽，难以被传统检测手段发现。下文给出了「良性」问题的具体生成方式：
该方法设计了两项关键机制以确保知识提取效率：
经验反思采样 (Experience Reflection Sampling)
每个候选锚点概念的采样概率由如下惩罚得分函数定义：
最终的采样概率为：
可信域有向变异 (Trust Region Directed Mutation)
图 2: (左) IKEA 整体流程图；(右) TRDM 示意图
其中：
实验结果：IKEA 的提取效率远超基线方法
研究团队在三个不同领域数据集 (医疗-HealthCareMagic100k、小说-HarryPotter、百科-Pokémon) 上测试了 IKEA 攻击效果。以下是 IKEA 与其他攻击方法在「无防御」、「输入检测」、「输出过滤」三种防御策略下的比较：
表 1: 在三种数据集上不同防御策略下的攻击效果对比分析
提取知识是否「有用」？
研究团队围绕知识有效性开展了两类实验：其一，评估提取出的知识在对应文档相关的问答任务中的表现；其二，评估在有限轮次攻击下所提取知识对完整知识库的覆盖与支撑能力。实验结果表明，IKEA 不仅能够高效提取 RAG 系统中的信息，而且所提取的知识在问答任务中展现出良好的实用性，其性能接近于使用原始知识库时的表现。
图 3: 在三种不同知识库设定下的选择题 (MCQ) 与问答 (QA) 任务结果对比
表 2: 在不同防御与不同基线下提取的知识作为参考的选择题与问答任务结果对比
表 3: 基于不同攻击方法提取数据构建的 RAG 系统在完整知识库上的评估结果
总结